Using Forests in Multivariate Regression Discontinuity Designs
多评分断点回归设计中的森林方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接讨论多评分断点回归设计中的条件处理效应估计与推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
多评分断点回归设计中的森林方法
- 研究问题
- 在存在多个评分变量的断点回归设计中，如何估计和推断条件处理效应，不同方法在多维边界与有限样本下各有哪些局限？
- 方法与思路
- 作者比较局部线性回归、极小极大估计和两类诚实森林，并使用指定函数及生成对抗网络构造模拟，辅以医院资助应用。
- 材料陈述的贡献
- 摘要称，没有估计器在全部设定中占优；降维可能导致覆盖不足，极小极大方法依赖干扰参数估计，森林则面临边界偏差。
- 阅读关注点
- 应核对多评分处理规则、目标效应和边界位置，检查森林有效性结果如何适用，以及模拟中的带宽、调参和区间覆盖比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未给出具体覆盖率和偏差数值，森林的建模灵活性并不保证边界推断可靠。
原文摘要
We discuss estimation and inference of conditional treatment effects in regression discontinuity (RD) designs with multiple scores. In addition to local linear regressions and the minimax-optimal estimator more recently proposed by Imbens and Wager (2019), we argue that two variants of random forests, honest regression forests and local linear forests, should be added to the toolkit of applied researchers working with multivariate RD designs; their validity follows from results in Wager and Athey (2018) and Friedberg et al. (2020). We design a systematic Monte Carlo study with data generating processes built both from functional forms that we specify and from Wasserstein Generative Adversarial Networks that closely mimic the observed data. We find no single estimator dominates across all specifications: (i) local linear regressions perform well in univariate settings, but the common practice of reducing multivariate scores to a univariate one can incur under-coverage, possibly due to vanishing density at the transformed cutoff; (ii) good performance of the minimax-optimal estimator depends on accurate estimation of a nuisance parameter and its current implementation only accepts up to two scores; (iii) forest-based estimators are not designed for estimation at boundary points and are susceptible to finite-sample bias, but their flexibility in modeling multivariate scores opens the door to a wide range of empirical applications, as illustrated by an empirical study of COVID-19 hospital funding with three eligibility criteria.